在 keras 中使用带有 LSTM 的 CNN 时是否必须使用池层？

Question

我正在使用 CNN+LSTM 解决一些二元分类问题。我的代码如下。

def create_network():
    model = Sequential()
    model.add(Conv1D(200, kernel_size=2, activation = 'relu', input_shape=(35,6)))
    model.add(Conv1D(200, kernel_size=2, activation = 'relu'))
    model.add(MaxPooling1D(3))
    model.add(LSTM(200, return_sequences=True))
    model.add(LSTM(200, return_sequences=True))
    model.add(LSTM(200))
    model.add(Dense(100))
    model.add(Dropout(0.2))
    model.add(Dense(1, activation='sigmoid'))
    model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])

当我使用上面的模型时，我得到了一些不好的结果。但是，当我删除层 model.add(MaxPooling1D(3)) 时，结果有所改善。

我的问题如下

当 cnn 与 lstm 一起使用时是否必须有池化层（因为我也在使用 dropout 层）？
如果它是强制性的，您会建议使用哪些其他类型的池化层。

如果需要，我很乐意提供更多详细信息。

Answer 1

首先，您不必使用 MaxPooling1D 层。此处的 MaxPooling 只会减少传递给 LSTM 的输入量（在本例中）。从纯技术的角度来看，LSTMs 可以处理任何序列长度，而 keras 会自动设置合适数量的输入特征

虽然这里发生了一些有趣的事情，您可能想看一看：

很难说某种池化机制会比另一种更好。然而，直觉是最大池化在从极端情况下进行推理时效果更好，而平均池化在忽略极端情况时效果更好。
你留下了隐含的步幅，应该注意池化层和卷积层的默认步幅值是不同的（None vs 1）。这意味着比较有和没有最大池化的网络并不是完全相同的比较，因为你大大减少了 LSTM 层将获得的数据量。

在 keras 中使用带有 LSTM 的 CNN 时是否必须使用池层？

Does pooling layer mandatory when using CNN with LSTM in keras?

python

classification

conv-neural-network

lstm

keras